SkillOpt: Executive Strategy for Self-Evolving Agent Skills 精读

论文链接：arxiv.org/abs/2605.23904 代码仓库：aka.ms/skillopt 发表时间：2026年5月 机构：微软

一、论文背景

1.1 什么是 Agent Skill？

随着大语言模型（LLM）从"对话工具"进化为"行动主体"，**AI Agent（智能体）**逐渐成为 AI 应用的核心形态。与仅能回答问题的聊天机器人不同，Agent 能够感知环境、自主规划、调用工具、执行多步操作来完成复杂任务。

在 Agent 的运行过程中，Skill（技能） 扮演着极其关键的角色。Skill 是一段结构化的自然语言策略文档，被插入到 Agent 的上下文中，为 Agent 提供特定领域的程序性知识。可以把它想象成给一位通才型员工发放的"岗位操作手册"——员工本身很聪明，但面对特定领域任务时，一份好的操作手册能让其表现产生质的飞跃。

具体来说，一个 Skill 通常包含：

• 任务求解流程：应该先做什么、后做什么、遇到异常怎么办
• 领域知识：该领域的专业术语、约定俗成的规则
• 操作指南：哪些工具可用、如何调用、常见陷阱有哪些

例如，在 Claude Code 这类编程 Agent 中，Skill 可以是关于"如何调试 Python 异步代码"的专业指导；在电子表格处理 Agent 中，Skill 可以是"如何正确读取和写入 Excel 公式"的操作规程。

1.2 什么是 Harness？

Harness（执行线束） 是围绕 Agent 构建的运行时基础设施，相当于 Agent 的"操作系统"。模型本身只是一个文本输入/输出的"大脑"，但要让 Agent 真正完成实际任务，还需要大量的支撑组件：

• 系统提示（System Prompt）：定义 Agent 的角色、行为边界
• 工具系统（Tools）：让 Agent 能够读写文件、执行命令、搜索网络
• 执行环境（Sandbox）：提供文件系统、浏览器、沙盒等运行时基础设施
• 任务编排逻辑：子 Agent 调度、路由等
• 执行控制逻辑：Hooks、中间件等

Claude Code、Codex CLI、OpenAI Codex 等都是典型的 Harness 实现。它们为 Agent 提供了"手脚"和"工作台"，让模型从"能对话"进化为"能干活"。

1.3 当前 Skill 构建方式的困境

目前，Agent Skill 的来源主要有三种，但每种都存在根本性缺陷：

（1）手工编写

领域专家人工撰写 Skill 文档。这种方式质量上限高，但存在明显问题：

• 极度依赖专家经验：需要既懂领域又懂 Agent 行为特性的人来写，人才稀缺
• 脆弱且难以泛化：一个 Skill 往往只在特定场景下有效，换一个任务变体就可能失效
• 无法根据反馈迭代：写完之后就固定了，无法根据 Agent 实际执行的效果自动改进

（2）一次性 LLM 生成

让 LLM 直接生成一个 Skill。速度快，但问题同样突出：

• “一次性"意味着无法改进：生成后就不再调整，没有反馈循环
• 质量参差不齐：LLM 对领域细节的理解往往不够深入，容易产生看似合理但实际有误的指导

（3）松散的自修订

让 Agent 或另一个 LLM 根据执行结果自行修改 Skill。看似合理，但缺乏控制机制：

• 缺乏边界约束：修改可能删掉有用的规则、引入相互矛盾的指令、或者过拟合于少量样本
• 无法保证优于起点：没有严格的验证机制，修改后可能反而变差
• 不可复现：同一流程跑两次，可能得到完全不同的结果

核心矛盾：这三种方式都没有像深度学习中训练权重那样，给 Skill 一个系统化、可控、可验证的优化过程。深度学习之所以可靠，正是因为它有严格的优化范式——梯度计算、学习率控制、验证集门控、早停策略等。而 Skill 的构建至今仍是"手工作坊"式的。

二、论文定位和关联工作

SkillOpt 不是凭空出现的，它位于一条清晰的研究脉络之中。理解它在其中的位置，需要先了解几个关键的前序工作。

2.1 提示词自动优化（Automatic Prompt Optimization）

这是最直接的研究谱系。其核心思想是：既然 Prompt 对 LLM 的表现影响巨大，那就不应该完全依赖人工编写，而应该用算法自动优化。

• AutoPrompt（2020）：开创性地提出了自动搜索最优提示词的思路
• APE（Automatic Prompt Engineer, 2022）：用 LLM 生成候选提示词，再通过评估筛选
• OPRO（2023）：将提示词优化建模为优化问题，用 LLM 作为优化器迭代改进
• DSPy（2023）：提出了"声明式编程"范式，将提示词优化与程序结构解耦
• EvoPrompt（2023）：用遗传算法在提示词空间中搜索

这些工作为 SkillOpt 提供了"文本可以被优化"的核心思想，但它们的优化对象是短提示词（通常几十到几百个 token），而不是结构化的技能文档。Skill 文档更像是一份"操作手册”，远比一条提示词复杂、结构化。

2.2 文本空间梯度优化（TextGrad, 2024）

TextGrad 是一项重要的前序工作，它提出了"文本梯度"的概念——用 LLM 生成的自然语言反馈来模拟深度学习中的梯度信号，然后沿着这个"梯度方向"修改文本。

TextGrad 的核心流程：

1. 执行当前提示词，获取结果
2. 用 LLM 对结果给出文本反馈（“文本梯度”）
3. 根据反馈修改提示词

SkillOpt 与 TextGrad 的关键区别：

• TextGrad 的"梯度"是无界的文本反馈，可能导致大幅重写，破坏已有的有效内容
• SkillOpt 引入了文本学习率来约束每次修改的幅度，类似于深度学习中控制梯度更新步长的学习率
• TextGrad 没有严格的验证门控，修改后可能变差
• SkillOpt 要求每次修改必须在验证集上严格提升才被接受

2.3 帕累托反思式提示进化（GEPA, 2025）

GEPA（Genetic-Pareto Prompt Evolution） 由 UC Berkeley 和 Stanford 联合提出，将提示词优化建模为多目标进化问题：

• 维护一个种群（多个候选提示词）
• 用 LLM 反思执行轨迹，生成语言反馈替代标量奖励
• 通过 Pareto 前沿选择非支配个体
• 用传统 RL 1/35 的计算量实现最高 19% 的性能提升

SkillOpt 与 GEPA 的关键区别：

• GEPA 优化的是整个提示词（可能非常长），修改是无界的
• SkillOpt 优化的是紧凑的技能文档，每次修改受文本学习率约束
• GEPA 用 Pareto 前沿做种群级选择，SkillOpt 用严格的单点验证门控
• SkillOpt 额外引入了拒绝编辑缓冲区和 epoch 级慢/元更新

2.4 轨迹蒸馏技能（Trace2Skill, 2026）

Trace2Skill 由 Qwen 团队提出，核心思路是：让 Agent 执行任务，记录执行轨迹，然后从轨迹中"蒸馏"出可复用的 Skill。

流程：

1. 调度并行子 Agent 集群执行多样化的任务
2. 收集执行轨迹（成功和失败都有）
3. 通过归纳推理，将轨迹局部经验分层整合为统一的技能目录

SkillOpt 与 Trace2Skill 的关键区别：

• Trace2Skill 是"从经验中提取"的蒸馏过程——一次性的，提取完就结束
• SkillOpt 是"在验证信号驱动下迭代优化"的训练过程——可以多轮持续改进
• Trace2Skill 缺乏对修改幅度的控制和验证门控
• SkillOpt 明确区分训练集和验证集，防止过拟合

2.5 技能进化（EvoSkill, 2026）

EvoSkill 将技能发现问题建模为进化优化问题：

• 维护候选技能集的种群
• 通过 Pareto 前沿选择保留能改善验证性能的技能
• 底层模型保持冻结，只优化技能

SkillOpt 与 EvoSkill 的关键区别：

• EvoSkill 是种群级进化，修改是整体替换
• SkillOpt 是单点级优化，修改是有界的增/删/改操作
• EvoSkill 缺少文本学习率、拒绝缓冲区等稳定性机制
• SkillOpt 在 Codex 和 Claude Code 线束上均显著超过 EvoSkill

2.6 技能评测基准（SkillsBench, 2026）

SkillsBench 是首个将 Agent Skill 作为"一等公民"来评估的基准框架，它系统性地评估 Skill 在不同 Agent、不同任务上的表现。SkillsBench 的一个重要发现是：LLM 自动生成的 Skill 往往不如人类编写的——这直接暴露了当前 Skill 构建方式的不可靠性，也正是 SkillOpt 试图解决的核心问题。

2.7 SkillOpt 的定位

综合来看，SkillOpt 在这条研究脉络中的定位非常清晰：

SkillOpt 是首个将深度学习的完整优化纪律系统性地迁移到文本空间 Skill 优化中的工作。 它不仅仅是"又一个提示词优化方法"，而是一次范式层面的升级——把 Skill 从"手工作坊"的产物，变成可以像训练神经网络一样系统化优化的对象。

三、问题定义

3.1 从具体困境到抽象问题

论文面对的具体场景是：一个通用 LLM Agent 需要在特定领域任务上表现出色，但通用模型缺乏领域专知。传统做法是人工编写一份"技能文档"贴在 Agent 的上下文里，但这种做法不可靠、不可复现、无法持续改进。

论文的核心洞察是：这个问题在本质上与深度学习中的"模型训练"问题同构。

让我们来建立这个类比：

3.2 形式化的问题定义

给定：

• 技能 s：一段自然语言策略文档
• 冻结的目标模型 M：行为要被适应的 LLM
• 执行线束 h：运行 Agent 的基础设施
• 训练集 D_tr：提供优化经验
• 选择集 D_sel：门控每次更新
• 测试集 D_test：最终报告性能

当 Agent M 在线束 h 中使用技能 s 处理输入 x 时，产生执行轨迹 τ(s) 和评分 r(s)：

(τ(s), r(s)) = h(M, x, s)

优化目标：在测试集上找到最优技能 s*，使得：

Test(s*_sel) = (1/|D_test|) * Σ r(s*_sel)

关键约束：技能 s 只能通过自然语言编辑来修改，不能修改目标模型 M 的权重。

3.3 问题定义的精妙之处

这个形式化定义有几个值得注意的设计：

1. 技能作为"外部状态"而非"提示的一部分"：这使得技能可以被独立地训练、验证、导出和复用，而不与特定的提示模板耦合。

2. 三分数据集：训练集提供经验，选择集防止过拟合，测试集报告最终性能——这正是深度学习中防止过拟合的标准做法。

3. 严格门控而非宽松选择：修改必须"严格优于"当前版本才被接受，平局也被拒绝。这避免了退化和振荡。

4. 线束无关：同一个优化器可以通过轻量适配器接口适配不同的执行线束（直接聊天、Codex、Claude Code），说明问题定义不依赖于特定的运行时环境。

四、问题解法

SkillOpt 的核心思想是将深度学习的优化范式系统性地迁移到文本空间。整个优化循环可以类比为神经网络的训练过程，包含"前向传播"、“反向传播”、“参数更新"和"正则化"四个阶段。

4.1 前向传播：展开证据收集

类比：在深度学习中，前向传播是用当前参数在训练数据上计算预测值和损失。

SkillOpt 的做法：让目标 Agent 用当前技能 s 在训练集 D_tr 上执行一批任务，记录完整的执行轨迹。

每个轨迹包含：

• 任务描述
• Agent 的消息序列
• 工具调用记录
• 环境观测
• 命令输出
• 最终答案
• 验证器反馈（对/错、分数等）

批次大小的选择与深度学习类似：

• 小批次更新快但噪声大——单条轨迹可能只暴露轶事式的问题
• 大批次计算成本高但暴露更多可复用的系统性模式
• 支持累积模式：多个小批次分别反思后合并为一次更新

4.2 反向传播：小批次反思

类比：在深度学习中，反向传播计算梯度——指出参数应该朝哪个方向修改。

SkillOpt 的做法：用一个独立的"优化器模型"分析执行轨迹，生成技能编辑建议。

这里有一个关键的精巧设计——分离失败与成功轨迹：

• 失败轨迹的小批次反思→ 发现可复用的程序性错误，提出缺失或纠正性的规则
• 成功轨迹的小批次反思→ 识别哪些行为已经有效，确保不丢失

为什么需要分离？因为如果混在一起，优化器可能会在尝试修复错误的同时意外删除有效的规则。分离处理使得两种信号的编辑意图清晰，不会互相干扰。

反思的输出是结构化的编辑操作，包括三种类型：

• Add（增加）：添加新的规则或指导
• Delete（删除）：删除已证实无效或冲突的规则
• Replace（替换）：修改现有规则的表述

这些编辑经过层次化合并：先分别在失败驱动和成功驱动的编辑内部合并，再以失败纠正优先级结合——确保解决已知问题优先于保留已知好的行为。

4.3 有界文本更新：文本学习率

类比：在深度学习中，学习率控制每次参数更新的步长——太大会振荡，太小会收敛过慢。

SkillOpt 的做法：引入文本学习率 L_t，限制每步允许的最大技能编辑数量。

优化器对合并后的编辑池按预期效用排序，截断至前 L_t 个。这是 SkillOpt 与 TextGrad 等前序工作的关键区别——TextGrad 的文本反馈是无界的，一次修改可能大幅重写整个文档，导致：

• 删除有用的已有规则
• 引入不兼容的新指令
• 过拟合于当前批次的少数样本

文本学习率可以配合不同的调度策略：

• 常数调度：每步固定编辑数量
• 线性调度：从大到小线性衰减
• 余弦调度（默认）：从较大编辑开始快速探索，逐渐衰减到较小编辑精修——与深度学习中的余弦退火完全对应
• 自主调度：让优化器自行决定

默认的余弦调度特别有意义：训练初期需要大幅调整，后期需要小幅精修——这与神经网络训练的直觉完全一致。

编辑模式也有两种：

• Patch 模式（默认）：对技能文档进行局部增/删/改操作，保留大部分内容不变
• Rewrite 模式：全局重写，适合需要大幅重组的情况

4.4 验证门与拒绝编辑缓冲

类比：在深度学习中，我们用验证集来决定是否接受参数更新（早停、模型选择）。

SkillOpt 的做法：每个候选技能在选择集 D_sel 上评估，仅当严格大于当前选择分数时才被接受（平局也被拒绝）。

• 接受 → 成为新的当前技能；如果超过历史最佳，则更新为 best_skill.md
• 拒绝 → 当前技能保持不变

但被拒绝的编辑并非完全浪费——它们被记录到拒绝编辑缓冲区（Rejected-Edit Buffer）中。后续的反思调用可以查看此缓冲区，知道"哪些修改已经被试过且无效”，避免重复相同的失败编辑。这相当于深度学习中的负梯度信号或正则化——提供了"不要做什么"的信息，而无需在推理时增加任何额外成本。

4.5 Epoch 级慢/元更新

类比：在深度学习中，动量（Momentum）积累了历史梯度信息，使得优化更稳定。

SkillOpt 的做法：在每一个 epoch 结束时，执行额外的"慢更新"和"元更新"。

慢更新：

• 对相同的训练任务，分别用上一个 epoch 和当前 epoch 的技能运行
• 将结果分组为四类：改进、回归、持续失败、稳定成功
• 优化器根据这些纵向对比，将简明的指导块写入技能文档的受保护区域
• 仍需通过验证门控

元技能：

• 优化器侧专用，总结哪些编辑模式有帮助、哪些被拒绝、哪些失败持续存在
• 附加到未来优化器的提示中，不随部署技能发送
• 实现了关注点分离：部署的技能保持紧凑，训练过程保留更丰富的编辑记录

消融实验表明，移除元技能和慢更新后，SpreadsheetBench 的性能暴跌 22.5 个百分点——这是所有消融中最大的退化，说明 epoch 级的纵向更新对于复杂程序性任务至关重要。

4.6 线束无关部署

SkillOpt 通过轻量级适配器接口实现了线束无关：

适配器的职责：

1. 构建执行批次
2. 将技能注入到 Agent 的上下文中
3. 运行原生线束
4. 返回带评分的执行轨迹

这意味着同一套 SkillOpt 优化器无需修改即可适配：

• 直接聊天模式（技能前置到系统提示）
• Codex 线束（通过 codex CLI 在沙箱中运行）
• Claude Code 线束（通过 claude CLI 镜像相同的工作区契约）
• 以及其他任何可提供"输入任务→输出评分"接口的线束

最终输出是一个紧凑的 best_skill.md 文件，通常只有 300-2000 个 token，部署时零额外优化器调用。

4.7 深度学习类比全景表

五、必要知识反推

假设找一位完全没有相关知识和信息的人来复现这项工作，他必须掌握哪些必要知识？这些知识又是如何融合最终完成这篇论文的？

5.1 领域知识层

（1）大语言模型与 Agent 的运作机制

必须理解 LLM 是如何工作的——它是一个文本输入/输出系统，通过上下文（包括系统提示、对话历史、工具定义等）来决定行为。必须理解 Agent 的基本架构：感知→规划→行动→反馈的循环。不理解这些，就无法理解"技能"如何影响 Agent 行为，也无法理解为什么修改一段自然语言文本就能改善 Agent 表现。

（2）Skill 和 Harness 的概念与实践

必须深入理解当前的 Skill 生态——Claude Code 的 .claude/skills/、Codex 的 AGENTS.md 等实践中，Skill 是如何组织、如何被 Agent 加载和使用的。必须理解 Harness 是什么——它提供了什么基础设施、如何调用工具、如何管理执行环境。这是问题的"原点"，不知道当前系统怎么运作就无法知道如何改进。

（3）深度学习优化的完整范式

不是简单地知道"梯度下降"四个字就够了，而是必须深入理解：

• 批次训练的原理和批次大小的权衡
• 学习率的物理意义和调度策略
• 训练/验证/测试集三分的必要性
• 早停和模型选择策略
• 动量、正则化的作用机制
• 过拟合的识别和防范

只有对这些概念有深入理解，才能将它们准确映射到文本空间——否则类比会流于表面，无法产生真正有效的机制。

5.2 方法论知识层

（4）提示词优化的研究脉络

必须了解从 AutoPrompt 到 DSPy 到 TextGrad 到 GEPA 的完整脉络，知道每种方法的优缺点，才能在它们的基础上做突破。特别是 TextGrad 的"文本梯度"概念和 GEPA 的"反思式进化"思想，是 SkillOpt 的直接思想来源。

（5）进化计算与遗传算法

EvoSkill 和 GEPA 都使用了进化框架。理解进化计算中种群维护、选择压力、变异策略等概念，有助于理解 SkillOpt 为什么选择单点优化而非种群进化——以及如何在单点优化中保留进化思路的优点（如多样性）。

（6）程序性知识的表征与传递

必须理解"技能"在认知科学中的含义——它不仅是知识（knowing what），更是程序性知识（knowing how）。一条好的技能规则应该描述"怎么做"而非"做什么"。这决定了 SkillOpt 的反思机制为什么聚焦于发现可复用的程序性错误，而非实例级的修复。

5.3 工程知识层

（7）多线束适配的工程实现

要让 SkillOpt 同时适配直接聊天、Codex CLI、Claude Code 等多种线束，需要设计一个足够抽象又足够实用的适配器接口。这要求对各种线束的内部机制有深入了解，知道技能如何注入、执行如何启动、轨迹如何收集、评分如何获取。

（8）评估体系的设计

必须知道如何设计公平、可靠、有区分度的评估：

• 为什么需要训练/选择/测试三分
• 如何防止测试集泄露
• 如何处理不同基准的评分口径差异
• 如何设计消融实验来验证每个组件的贡献

5.4 知识融合的关键节点

这些知识并非简单叠加，而是在几个关键节点上产生了创造性的融合：

1. “Skill = 外部状态"的洞察：将领域知识（Skill 的实际形态）和深度学习知识（可训练参数的概念）融合。这不是简单的类比，而是看到了一个深层的结构相似性——Skill 对 Agent 的作用，恰好类似于权重对网络的作用：都是在不改变主体架构的前提下，通过调整"参数"来适应特定任务。

2. “文本学习率"的设计：将深度学习的优化稳定性机制（学习率）和文本操作的特性融合。在参数空间中，学习率控制的是连续数值的步长；在文本空间中，“步长"的对应物是"编辑数量”——这是从连续空间到离散空间的概念迁移，需要同时理解两个空间的特点。

3. “拒绝编辑缓冲区"的设计：将深度学习中的正则化/负梯度概念与文本编辑的实践融合。在参数空间中，梯度天然带方向；在文本空间中，“什么是好的修改方向"并不显然。通过缓冲被拒绝的编辑，为未来的反思提供了"负方向"的信息。

4. “分离失败与成功"的设计：将认知科学中"程序性错误 vs. 有效行为"的区分与优化方法融合。失败轨迹暴露的是"缺什么”（需要添加/修正），成功轨迹暴露的是"有什么”（需要保留），两者的编辑意图天然不同，需要分别处理再合并。

六、论文中可以提取的通用性灵感

灵感 1：将"手工作坊"升级为"系统化训练"的思路

核心思想：任何目前依赖人工经验、缺乏反馈循环、无法保证改进方向的实践，都可以考虑引入深度学习式的优化范式。

推广场景：

• MLOps 中的超参数调优：当前很多超参数仍依赖经验设置，可以引入类似的"编辑预算 + 验证门控"机制
• 教育领域的学习路径优化：学生的学习策略目前依赖教师经验，可以构建"策略 → 执行 → 反馈 → 策略编辑"的优化循环
• 产品功能的迭代优化：产品功能的设计和迭代往往依赖 PM 经验，可以引入有界修改 + 严格验证的机制

灵感 2：有界更新优于无界重写

核心思想：在任何迭代改进的场景中，控制每次修改的幅度（“步长”），远比允许大幅重写更稳定、更可靠。

论文证据：SkillOpt 的消融实验表明，任何适中的有界编辑预算都击败无预算重写。TextGrad 等无界方法的实际效果往往不如有界的 SkillOpt。

推广场景：

• 代码重构：每次只改一小块（有界修改），比一次性重写整个模块更安全
• 组织变革：渐进式改革（有界更新）比激进式变革（无界重写）更可能成功
• 文档迭代：对技术文档做少量精确修改，比大幅重写更容易保持质量
• 法规修订：修订案（Patch 模式）比推倒重来（Rewrite 模式）更可控

灵感 3：拒绝信息是宝贵的学习信号

核心思想：被否决的方案不是垃圾，而是"负样本”——它们告诉你什么不该做，这种信息与"什么该做"同样重要。

论文证据：移除拒绝编辑缓冲区后，SpreadsheetBench 性能下降 4.6 个百分点。被拒绝的编辑提供了有效的负反馈信号，帮助后续反思避免重复错误。

推广场景：

• 面试/招聘：记录被拒绝的候选人的特征，帮助未来更精准地筛选
• 科研实验：记录失败的实验参数组合，避免重复探索已知无效的空间
• 投资决策：记录被否决的投资标的及否决理由，形成"负向知识库”
• 医疗诊断：记录被排除的诊断假设及排除依据，避免重复考虑

灵感 4：分离成功和失败信号，分别处理

核心思想：正反馈和负反馈承载着不同的信息——前者告诉你"保留什么”，后者告诉你"修正什么"。混合处理会互相干扰，分离处理再合并更有效。

论文证据：SkillOpt 将失败轨迹和成功轨迹分区为不同的小批次分别反思，再以失败纠正优先级合并。直接混合处理可能导致在修复错误的同时意外删除有效规则。

推广场景：

• 代码审查：分别收集"bug 报告"（失败信号）和"良好实践"（成功信号），分别分析再综合
• 用户反馈分析：将投诉和建议分开处理，投诉用于修复问题，建议用于保留优势
• 教学设计：分别分析学生做错的题（缺什么知识）和做对的题（已掌握什么），针对性地设计教学内容

灵感 5：关注点分离——训练态与部署态解耦

核心思想：训练过程中需要的丰富信息（元数据、编辑记录、失败日志）不应随部署产物一起发布。部署产物应该尽可能紧凑，训练态的额外信息通过独立通道传递。

论文证据：SkillOpt 的"元技能"只附加到优化器的提示中，不随部署技能发送。最终部署的只是紧凑的 best_skill.md（300-2000 token），而非训练时的完整编辑历史。

推广场景：

• 软件发布：开发时的调试日志、性能分析数据不应打包到生产发布中
• 模型蒸馏：大模型的训练数据、训练日志不应影响推理时的资源消耗
• 知识管理：专家思考过程的完整记录是训练材料，但最终交付给执行者的是精炼后的操作手册

灵感 6：跨域迁移——优化产物而非优化过程的可移植性

核心思想：优化过程往往是环境特定的（需要特定的训练数据、计算资源、反馈信号），但优化产物（最终得到的技能/知识/策略）可能在更广的范围内迁移。

论文证据：SkillOpt 优化后的技能可以跨模型规模（GPT-5.4 → GPT-5.4-mini/nano）、跨线束（Codex → Claude Code）、跨基准（OlympiadBench → Omni-MATH）迁移，无需再次优化。所有迁移行为均为正向。

推广场景：

• 管理方法论：在特定公司/团队中提炼的管理方法论，可能在不同规模、不同文化的组织中也能适用
• 个人学习策略：在某门学科中总结的学习方法，可能迁移到相近学科
• 工程最佳实践：在某个项目中沉淀的最佳实践，可以推广到同类项目
• 关键前提：迁移的"技能"应该是程序性知识（how to do），而非实例性知识（what happened）——前者可迁移，后者不可

灵感 7：紧凑性是可靠性的基础

核心思想：在复杂系统中，更紧凑的表征往往更可靠、更可迁移。冗余和膨胀带来的是脆弱和过拟合。

论文证据：SkillOpt 优化后的技能极其紧凑——379 到 1995 个 token，中位数约 920 个 token。仅 1-4 次接受编辑就产生了巨大的性能提升。相比人类编写的冗长技能，紧凑的优化技能反而更有效。

推广场景：

• API 设计：精简的 API 比臃肿的 API 更稳定、更易用
• 法规制定：简洁的法律条文比复杂冗长的条文更易执行
• 技术文档：简明扼要的操作指南比详尽的手册更实用
• 沟通效率：一句话说清楚的要点，胜过十页的详细报告

附录：实验结果速览

核心数据

SkillOpt 在 52 个评估单元（7 模型 × 6 基准 × 3 线束）中全部最佳或并列最佳。

在 GPT-5.5 直接聊天模式下的提升：

六基准平均提升 +23.5 个百分点。

学到的技能示例

每条规则都是程序性的（how to do），而非实例性的（what happened）：

• SearchQA：“从线索措辞推断预期答案类型，然后选择由共现独特证据支持的最短规范实体。”
• SpreadsheetBench：“检查工作簿结构和公式，然后在整个请求的目标范围内写入评估的静态值，而非依赖 Excel 重新计算。”
• LiveMath：“在最强陈述 MCQ 中，按定理强度排序选项，偏好有依据的更强结果选项而非真实但较弱的推论。”

这些规则的共同特点：简洁、可操作、不依赖于具体样本——这正是"程序性知识"的特征，也是技能能够跨场景迁移的根本原因。